在 AI 技术快速迭代的当下，一个独特的跨时代技术实验悄然完成。XORTRAN 项目尝试在 PDP-11/34A 复古硬件上，用 FORTRAN IV 语言实现多层神经网络和反向传播算法，为我们提供了一个审视计算资源约束下 AI 算法实现的独特视角。
复古硬件架构的严苛约束
PDP-11/34A 作为 1970 年代的高端计算机系统，其硬件配置对现代 AI 算法构成了严峻挑战。系统要求至少 32KB 内存和 FP11 浮点处理器，这意味着每个字节都极其珍贵。在这样的环境下实现神经网络，必须在算法复杂度和资源消耗之间做出精细权衡。
项目选择了 XOR 问题作为测试案例，这个经典的非线性可分问题需要至少一个隐藏层才能解决。神经网络最终包含 17 个可训练参数：输入层到隐藏层的权重矩阵（2×4 个权重）和偏置（4 个偏置），隐藏层到输出层的权重（4 个权重）和偏置（1 个偏置）。这 17 个参数的选择既满足了学习能力的需要，又避免了内存爆炸的风险。
FORTRAN IV 语言特性的工程适配
FORTRAN IV 作为 1960 年代的标准科学计算语言，在语法和功能上与现代 AI 框架存在巨大差异。项目作者必须手动实现许多现代框架中唾手可得的功能。例如，初始化使用了 "lite 版 Box-Muller 方法" 来生成高斯分布的初始权重，体现了在语言限制下的创新思维。
反向传播算法的实现需要精确的梯度计算和链式法则应用。FORTRAN IV 的变量类型系统和数组操作能力直接影响算法的实现复杂度。项目采用 Leaky ReLU 作为隐藏层激活函数，tanh 作为输出层激活函数，这种组合在保证梯度流动的同时，也考虑了当时计算资源的限制。
学习率退火的精细调度
项目实现的学习率退火策略（0.5 → 0.1 → 0.01）体现了对训练稳定性与收敛速度的深入思考。在资源受限的环境中，每一次权重更新都消耗宝贵的计算资源，因此学习率的精确调度显得尤为重要。初始的 0.5 学习率能够在训练初期快速收敛，阶段性的降低则确保了训练后期的稳定性和精度。
从项目提供的训练输出可以看到，网络在 500 个 epoch 内实现了良好的收敛：损失函数从 0.329960233835D+00 降低到 0.928130032748D-03，最终预测结果接近理想输出：0.008353（期望 0）、0.979327（期望 1）、0.947050（期望 1）、0.020147（期望 0）。
仿真环境下的性能调优
在 SIMH 仿真器中，项目建议将 throttle 设置为 500K 以获得更真实的执行速度。这种配置反映了现代复古计算实验中对真实感的追求。考虑到 PDP-11/34A 的原始运算能力与当前通用计算机的差异，适当的节流设置能够更好地评估算法在真实硬件上的表现。
训练时间控制在 "几分钟" 范围内，这既体现了算法本身的计算复杂度，也反映了硬件性能的边界条件。在这样的时间约束下，算法的每一步计算都需要精心优化，以确保在可接受的时间内完成学习过程。
对现代 AI 系统的启示
PDP-11 上的神经网络实现，虽然受制于当时的硬件限制，却为现代 AI 系统设计提供了宝贵经验。在资源受限环境中，算法的鲁棒性和效率变得更加重要。项目展示了即使在最基础的系统架构上，复杂的机器学习算法依然能够有效运行，这为我们思考 AI 技术的本质提供了新的视角。
从软件工程的角度看，这种跨时代的实现揭示了算法核心思想的持久性。反向传播、激活函数、损失函数等基本概念在硬件快速演进的背景下依然保持其核心价值。这种稳定性提醒我们，在追求计算性能提升的同时，不应忽视算法本身的优雅性和通用性。
XORTRAN 项目不仅是一个技术 curiosity，更是一次深度的工程实践，它证明了优秀的算法设计能够跨越技术栈的限制，在任何时代都为解决实际问题提供有力支撑。对于当代 AI 从业者而言，这种跨时代的技术探索提供了宝贵的工程思维和方法论参考。
资料来源
- GitHub 仓库：XOR Neural Network in FORTRAN IV (RT-11, PDP-11/34A) — https://github.com/dbrll/xortran